Détection automatique de la tuberculose à partir de sons de toux

Résumé

La tuberculose demeure l’une des principales menaces sanitaires mondiales, avec plus de dix millions de nouveaux cas chaque année selon l’OMS, et constitue un enjeu majeur de santé publique, particulièrement dans les pays à faibles ressources. Les méthodes actuelles de dépistage, bien qu’efficaces (tests moléculaires, cultures, imagerie), présentent des contraintes importantes en termes de coût, de délai et d’accessibilité, limitant leur déploiement à grande échelle. Ce mémoire propose une approche innovante de détection automatisée de la tuberculose à partir de sons de toux, reposant sur des techniques avancées de traitement du signal et d’apprentissage profond. À partir du corpus fourni par le CODA TB DREAM Challenge 2022, un pipeline complet a été conçu et implémenté : prétraitement audio, extraction de caractéristiques (MFCC, spectrogrammes de Mel et statistiques globales), augmentation des données, architectures neuronales hybrides CNN–BiGRU–Attention, et optimisation systématique des hyperparamètres par Optuna. Une validation croisée stricte par sujet a été mise en place pour garantir la robustesse et la généralisabilité des résultats. Les résultats obtenus confirment le potentiel de l’analyse acoustique de la toux comme outil complémentaire, non invasif et abordable, pour améliorer le dépistage précoce de la tuberculose et contribuer à la réduction de sa transmission communautaire.

Date	2 mars 2026
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	David Labbé (Directeur(-trice)) & Neila Mezghani (Codirecteur(-trice))